資源描述：
《基于神經(jīng)網(wǎng)絡的機械旋轉(zhuǎn)故障診斷方法研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在工程資料-天天文庫。
1、基于神經(jīng)網(wǎng)絡的機械旋轉(zhuǎn)故障診斷方法研究摘要：在本文中，提出一種新的結合自適應共鳴理論（ART）與基于Kohonen神經(jīng)網(wǎng)絡策略研究（KNN）的機械旋轉(zhuǎn)故障診斷的神經(jīng)網(wǎng)絡（NN）。新的情況發(fā)生時,向神經(jīng)網(wǎng)絡的庫輸入相應的數(shù)據(jù)以便分析。但是，“掉線”的神經(jīng)網(wǎng)絡無法自動適應，必須通過使用完成的數(shù)拯庫包括新的數(shù)拯重新訓練。自適應共鳴理論網(wǎng)絡可以解決可集性與穩(wěn)定性的矛盾。也就是它能在不忘記之前的訓練模式（穩(wěn)定訓練）下實施“在線”訓練；它可以對之前的訓練種類重新編碼以適應環(huán)境的變化并且口組織。ART-KNN也囊括這些特點而且比初始的ART更適合于機械的故障診斷。為了測驗已捉出的網(wǎng)
2、絡，考慮到簡易性，準確性，和高效性可選取振動作為初態(tài)輸入。在相同的條件下，通過與其他神經(jīng)網(wǎng)絡的比較，例如自組織特征映射（SOFMs）,學習向量量化（LVQ）與徑向基函數(shù)（RBF）網(wǎng)絡，實驗結果都證明已提出網(wǎng)絡的性能。ART-Kohonen網(wǎng)絡的診斷成功率為100%。然而，SOFM,LVQ與RBF網(wǎng)絡各口的成功率為93%,93%以及89%。1.引言當前，隨著虛擬神經(jīng)網(wǎng)絡（NNs）的廣泛應用故障診斷日趨智能化。但是，”掉線”的NNs不能很好的適應環(huán)境中的突然變化。而且，在行的故障發(fā)生時，要加載用來訓練網(wǎng)絡的數(shù)據(jù)庫。這時，“掉線”的網(wǎng)絡需耍用已完成的庫重新訓練。這將導致時間
3、的耗費與昂貴的程序?，F(xiàn)實世界里，盡管可以捕捉到部分故障信號,但很難組建訓練庫再現(xiàn)所有故障的特征。沒人知道下一刻會發(fā)生什么。這些特性限制“掉線”NNs在故障診斷領域的應用。NNs的機械故障診斷需要在運行的過程中不斷接受新的信息并且在接受新的信息期間不損失之前的只是的情況下，自動適應持續(xù)拓展的信息。人的大腦可以不必忘記以麗反生過的事情而接受新的事件。因此，我們需要一種能適應“上線”環(huán)境變化的智能系統(tǒng)，這種系統(tǒng)應具備處理所謂的穩(wěn)定性-可塑性的矛盾。也就是說，為了能以一種連續(xù)性方式學習新事物，系統(tǒng)設計應具有一定程度的可蜩性并且足夠穩(wěn)定的保存之前的信息而且阻止新事件破壞先前的記
4、憶訓練。為了解決這問題，開發(fā)了自適應共振（ART）網(wǎng)絡并已成功運用于實時訓練與分類。ART網(wǎng)絡是一種以響應任意輸入序列模式的自組織穩(wěn)定實時識別代碼網(wǎng)絡，也是生物大腦基本行為功能的數(shù)學模式描述的向量分類，比如學習，并行與分布式信息存儲，短期和氏期記憶及模式認可。Kohonen神經(jīng)網(wǎng)絡（KNN算法）也被稱為自組織特征映射網(wǎng)絡（S0FM網(wǎng)絡）;它定義前兩層神經(jīng)網(wǎng)絡，實現(xiàn)了特色的從感官或其他輸入信號的高維空間到低維數(shù)組神經(jīng)元實現(xiàn)了特色的非線性投影。KNN算法包括三個主要步驟：競爭，合作和適應。網(wǎng)絡屮的第一步是根據(jù)選擇鑒別功能比較輸出值與輸入向量。在輸出神經(jīng)元中，挑選唯一與輸入
5、向量關系最緊密的神經(jīng)元，并標記獲勝（最佳匹配）神經(jīng)元。獲勝神經(jīng)元一旦選出，下一步就是在神經(jīng)元屮選擇已定義的鄰居。只有這些神經(jīng)元的權重定義范圍在拓撲獲勝神經(jīng)元附近的將被更新。外神經(jīng)元的突觸權重附近將保持不變。作為獲勝神經(jīng)元的最佳匹配輸入向量，在歐式距離感上的學習策略是把突觸分配向量移動到輸入向量的分配。在本文屮，我們捉出了一個故障診斷網(wǎng)絡，自適應共振理論，Kohonen神經(jīng)網(wǎng)絡（ART-KNN算法），它不會破壞最初的學習，并能適應附加的訓練數(shù)據(jù)，適合于旋轉(zhuǎn)機械故障診斷。通過實驗結果證明了ART-KNN算法研究的有效性。2.ART-Kohonen神經(jīng)網(wǎng)絡算法（ART-KN
6、N算法）ART網(wǎng)絡的特點是適用于狀態(tài)監(jiān)測和故障診斷。ART網(wǎng)絡有三種通用的類型:ART1,ART2和ART3。ART1是二進制模式的分類，而ART2和ART3是二進制與十進制輸入模式。但是ART網(wǎng)絡故障診斷冇一些缺點。在輸入模式輸入層正常化Z前，需通過介于輸入層與鑒別層定義的口適應濾波器。由于輸入信號的絕對值僅代表圖像亮度與音量，圖像和聲音的分類級別，正?；南鄬χ祵Ψ治鰣D像和聲咅區(qū)別是很重要的。但是，振動信號的絕對值是故障診斷的重要信息。當它被正常化一些重要的檢測故障信息很可能會丟失。同時，ART2和ART3適當?shù)目刂戚斎胄盘柕脑肼曔^濾后，最初信號變得繁瑣。所以故障
7、信號功能在一定程度上被破壞。在本文中，提出的ART-KNN神經(jīng)網(wǎng)絡結合ART網(wǎng)絡理論與Kohonen的學習策略實現(xiàn)機械故障診斷oART-KNN算法的體系結構如圖1.除自適應濾波器外與ATR1的結構很相似。注意系統(tǒng)罰定向系統(tǒng))00000
